最近、私はPCA(Principle Component Analysis)を読み、次元を縮小する方法を理解しました。 1つの次元だけが必要なときに最大固有値に対応する固有ベクトルを選択しますが、複数の次元を必要とする場合、最大固有値に腐食する固有ベクトルを取るべきですか?主成分分析を使用して複数の次元を選択する方法
0
A
答えて
1
基本的にはい(あなたの説明から推測できるものから)、あなたのケースや実装ツールなどにもっと情報を持っているといいですね。しかし、基本的には、はい、プロセスは次のようになります。
- 計算共分散行列共分散行列の
- 計算固有ベクトル、あなたのツールに応じて、それはまた、事前に定義された関数「EIG」または「特異値descompositionを用いて計算することができます。 "(matlabのsvd)。 svdを使用する場合、一般に3つの値が返されます。最初の値は固有ベクトルを含む行列で、この行列の "k"次元が必要な場合は "k"列をとり、それらは主成分です。 https://github.com/llealgt/standord_machine_learning_exercices/blob/master/machine-learning-ex7/ex7/pca.m :
は、相続人PCAのオクターブでの私の実装では、私は、その特定のケースについてdimensinality削減のためにそれを使用するために私のPCA計算とex7_pca.mを定義するためにpca.mファイルを使用します
1
主成分分析(PCA)は、可能性のある相関変数の観測値のセットを、主成分と呼ばれる線形に無関係な変数の値のセットに変換する直交変換を実行する統計的手法です。
PCA変換後のコンポーネントの数は、変数の数と同じです。この変換は、第1の主成分が可能な限り大きな変動を有するように(すなわち、できるだけデータの変動性を考慮して)定義され、各後続の構成要素は、前のコンポーネントに直交するという制約があります。得られたベクトルは、無相関直交基底集合である。
一般的に、人々は99%の分散を占める多くのコンポーネントを取ります。これは、変数の総数よりもはるかに少ないでしょう。
参考文献:
https://stats.stackexchange.com/a/140579/86202
http://scikit-learn.org/stable/modules/decomposition.html#pca
関連する問題
- 1. 予測中に主成分分析を使用する方法
- 2. PCA(主成分分析)と機能選択の相違
- 3. 主成分分析
- 4. Cの主成分分析#
- 5. PCLの主成分分析
- 6. ade4パッケージ - 主成分分析
- 7. Python - 主成分分析
- 8. 主成分分析の最も重要な元の特徴
- 9. 主成分分析(PCA)を使用して検出を高速化する方法は?
- 10. 主成分分析と回転
- 11. 主成分分析:減速回転
- 12. Matlabの:信号に対して主成分分析(スペクトルアンミキシング)
- 13. 複数の画像を読み込んで主成分分析を適用する
- 14. 主成分分析後に線形モデルを適合させる方法
- 15. タンパク質の主成分分析のデータを書き込む方法R
- 16. タペストリー:私は選択成分のための次のコードを使用して、ドロップダウンコンポーネント
- 17. スパーク - 主成分分析 - PCAは多くの主成分を必要とするが、0を与えられた。
- 18. パイプラインで主成分分析とサポートベクターマシンを組み合わせる
- 19. Elasticsearchで適切な分析装置を選択する方法
- 20. 主成分分析は、Pythonを使用して3d配列を1d配列に変換します
- 21. 変数を使用して、使用する部分を選択します
- 22. 多次元配列を複数の単一配列に分割する方法
- 23. 主成分分析が機能しない
- 24. WSAdminを使用してヒープダンプファイル(.dmp)を分析する方法
- 25. 分派器を使用してネイティブosポップでファイルを選択する方法
- 26. パンダで選択した列を因数分解する方法
- 27. 主成分分析m行n列の行列
- 28. 対応PCA間の主成分と元の変数
- 29. 複数の選択に基づいて複数のdbエントリにサブミットするajaxコールを分割する方法
- 30. Sonarlint CLI:sonarlintで複数のJavaファイルを分析する方法CLI